埋点数据同步方案（设计文档）

1. 背景与需求

数据源：埋点系统后端 = Elasticsearch（生产单环境，无 dev / test）
量级：约 1.4M event / 天；gz文件大小约200M; 事件类型 50+ 长尾
存量形式：按天 NDJSON.gz 文件（ES _search 导出，每行一个 ES hit 文档）
增量形式：实时写入 ES traces-{YYYY-MM-DD} 滚动索引
业务目的：用户行为分析（留存、漏斗、转化、活跃度等）

2. 合规约束

公司原则：敏感数据不出业务库 / 不入数仓
涉敏举例：
- 下单事件：收货地址、收件人姓名、收件人手机号
- 其他事件按业务实际声明

3. 整体方案

                 ┌────────────────┐
                 │  埋点 ES (prod) │
                 └────┬───────────┘
                      │
         ┌────────────┴─────────────┐
         │                          │
    [增量路径]                  [历史路径]
   每日 ES → Hive          一次性 .json.gz 文件
   ES Storage Handler            按天解压解析
   映射表 SELECT                 Python 脚本
         │                          │
         └────────────┬─────────────┘
                      │
              【入仓阶段脱敏】
              （按事件类型应用规则）
                      │
                      ▼
           ┌──────────────────┐
           │   raw 层（数仓）  │
           └──────────────────┘

两条路径最终落到两张 raw 表，schema 一致；脱敏规则共用同一份配置。

4. 设计取舍：raw 层默认范式破例

数仓默认 raw 层走 schema-on-read landing 范式（数据原样落、ods 阶段才做类型转换 / 脏数据识别）。本场景主动破例：

§8.1 理由	是否适用	说明
1. 隔离源端类型变化	✗	埋点 schema 长尾，新事件 / 新字段频繁，要求协作通知
2. 同步阶段不可失败	△	部分适用，需对解析失败做容错处理
3. 保留原始精度与原文	✗	合规要求就是要丢字段
4. 脏数据可观测	△	事件本身可观测，脱敏后字段不可回溯（合规接受这代价）
5. schema-on-read 范式契合	✗	合规要求物理拦截敏感字段，不能等 ods 读取阶段才处理

破例代价：

入仓阶段需做 JSON 解析 + 字段脱敏 + 配置化逻辑
埋点上下游 schema 变更需协作通知（违反"隔离源端"原则）
ods 失去"raw 一定有原始数据可回溯"的兜底保障

5. 脱敏策略

5.1 三种脱敏动作

动作	含义	适用
`drop`	字段直接删除，不入 raw	高敏字段（地址、手机号、卡号等）
`mask`	字段保留但用脱敏函数处理	中敏字段（脱敏后的姓名、订单号末四位等）
`reject`	整事件不入 raw	极敏感事件（如有）

脱敏函数复用现有的 5 种：md5 / month_trunc / mask_middle / keep_first_n / keep_last_n。

5.2 配置驱动

所有脱敏规则集中在一份配置文件（conf/tracking-mask.ini）。

5.3 兜底策略：

未在配置中的事件 / 字段：默认允许，全部原样入 raw
配置中显式声明 drop / mask 的字段：按规则处理
风险：新含敏事件没及时进配置 → 原文入仓 → 违规
风险缓解：靠协作流程

6. 协作流程

场景	处理
新事件 + 无敏感字段	默认入仓，无需通知
新事件 + 有敏感字段	强制走流程：埋点开发方注明 → 数仓更新配置
已有事件加敏感字段	同上

7. 落地范围

本方案仅覆盖 raw 层入仓 + 脱敏。后续阶段（不在本方案）：

ods 层 schema 设计（按事件分流解析 params_json）
dwd / dws / ads 层建模

8.疑问

	dt	_c1
1	20260407	1820000
2	20260409	1400000
3	20260408	1470000

为什么文件行数都是整万？是否设置了max_pages 上限。历史数据入仓时需打开限制。

13-埋点同步-设计.md 4.4 KB History Raw